Overview: Healthcare delivery networks frequently suffer from severe resource imbalances—certain clinics experience scheduling bottlenecks and clinician burnout, while others operate significantly under capacity. This project demonstrates a complete data engineering and clinical operations workflow designed to automate utilization auditing. Key Methodologies & Technologies Demonstrated: Relational Database Simulation: Designed and built an in-memory SQLite database utilizing DBI and RSQLite to establish a relational schema of transactional EHR encounters, scheduling logs, and provider registries. SQL Query Optimization: Engineered complex multi-table joins and Common Table Expressions (CTEs) to aggregate raw patient-facing minutes into clinical hours and map them against scheduled shift durations. High-Fidelity Reporting: Created a highly polished, executive-ready horizontal bar chart in ggplot2 featuring explicit target thresholds, optimized color scales, and precise label alignment to instantly highlight capacity gaps. Strategic Action Plan: Delivered actionable recommendations to shift capacity from under-utilized regions (North Mankato) and safeguard high-volume clinics (St. Cloud Urgent Care) against provider attrition.

Simple linear regression using trees dataset

HTML of module 4 activity R notebook for conversion to stand alone module.

Zjawisko badane: Przestrzenne zróżnicowanie cen mieszkań w Polsce. Uzasadnienie: Ceny nieruchomości mieszkalnych stanowią jedno z kluczowych zjawisk ekonomicznych o wyraźnym wymiarze przestrzennym. Zgodnie z pierwszym prawem geografii Toblera („wszystko jest powiązane ze wszystkim, ale bliskie obiekty są bardziej powiązane ze sobą niż odległe”), można oczekiwać, że rynki mieszkaniowe w geograficznie bliskich miastach wykazują podobne tendencje cenowe – zjawisko przestrzennej autokorelacji. Hipoteza badawcza: Ceny mieszkań w polskich miastach wykazują istotną dodatnią autokorelację przestrzenną – tj. wysokie ceny w jednym mieście są powiązane z wysokimi cenami w miastach geograficznie bliskich (i analogicznie dla cen niskich). Dane: Zbiór ofert sprzedaży mieszkań z portalu Otodom Analytics (czerwiec 2024 r.), zawierający ~21 000 ogłoszeń z 15 największych polskich miast. Źródło danych: [https://www.kaggle.com/datasets/krzysztofjamroz/apartment-prices-in-poland/?select=apartments_pl_2023_08.csv]

This document describes the data, methods and select outcomes of the ODOT Community Risk Index